數說營銷--大數據營銷實戰培訓
講師：傅一航(hang) 瀏(liu)覽次數(shu)：2555
課程描述INTRODUCTION
培訓講師：
課程價格：
培訓天數：日(ri)程(cheng)安排(pai)SCHEDULE
課程大(da)綱Syllabus
大數據營銷實戰培訓
【課程目標】
本課程從實際的市場營銷問題出發，構建數據分析與數據挖掘模型，以解決實際的商業問題。并對大數據分析與挖掘技術進行了全面的介紹，通過從大量的市場營銷數據中分析潛在的客戶特征，挖掘客戶行為特點，實現精準營銷，幫助市場營銷團隊深入理解業務運作，支持業務策略制定以及運營決策。
通過本課程的學習，達到如下目的：
1、 了解大數據營銷內容，掌握大數據在營銷中的應用。
2、 了解基本的營銷理論，并學會基于營銷理念來展開大數據分析。
3、 熟悉數據分析/挖掘的基本過程，掌握常用的數據挖掘方法。
4、 熟悉Excel數據分析工具，能夠利用Excel和SPSS軟件解決實際的營銷問題（比如定價/影響因素/行為預測/客戶需求/客戶價值/市場細分等）。
【授課對象】
市場營銷部、運營分析部、業務支撐等偏業務人員。
本課程由淺入深，結合原理主講分析方法和常規分析工具的應用，不需要太深的數學知識，但希望掌握數據分析的相關人員。
【課程大綱】
第一部分： 數據核心理念—數據思維篇
問題：什么是數據思維？大數據決策的底層邏輯以及決策依據是什么？
1、 數字化五大技術戰略：ABCDI戰略
A：人工智能，目的是用機器模擬人類行為
B：區塊鏈，構建不可篡改的分布記賬系統
C：云計算，搭建按需分配的計算資源平臺
D：大數據，實現智能化的判斷和決策機制
I：物聯網，實現萬物互聯通信的基礎架構
2、 大數據的本質
數據，是事物發展和變化過程中留下的痕跡
大數據不在于量大，而在于全（多維性）
業務導向還是技術導向
3、 大數據決策的底層邏輯（即四大核心價值）
探索業務規律，按規律來管理決策
案例：客流規律與排班及*營銷時機
案例：致命交通事故發生的時間規律
發現運營變化，定短板來運營決策
案例：考核周期導致的員工月初懈怠
案例：工序信號異常監測設備故障
理清要素關系，找影響因素來決策
案例：情緒對于股市漲跌的影響
案例：為何升職反而會增加離職風險？
預測未來趨勢，通過預判進行決策
案例：惠普預測員工離職風險及挽留
案例：保險公司的車險預測與個性化保費定價
4、 大數據決策的三個關鍵環節
業務數據化：將業務問題轉化為數據問題
數據信息化：提取數據中的業務規律信息
信息策略化：基于規律形成業務應對策略
案例：用數據來識別喜歡賺“差價”的營業員
第二部分： 數據精準營銷—分析過程篇
問題：大數據實現精準營銷的整個過程是什么？要經歷哪些步驟？如何構建精準營銷的數據支撐框架？需要采集哪些數據？
1、 數據分析的六步曲
明確目標，確定分析思路
收集數據，尋找分析素材
整理數據，確保數據質量
分析數據，尋找業務答案
呈現數據，解讀業務規律
撰寫報告，形成業務策略
2、 精準營銷的業務分析框架（6R準則）
尋找正確的客戶
匹配正確的產品
確定合理的價格
通過合適的渠道
采用合適的方式
設計恰當的信息
演練：如何構建一個良好的大數據精準營銷分析框架
3、 精準營銷項目的整個分析過程
演練：如何用大數據來支撐產品精準營銷項目
第三部分： 用戶行為分析—分析方法篇
問題：數據分析方法的種類？分析方法的不同應用場景？
1、 業務分析的三個階段
現狀分析：通過企業運營指標來發現規律及短板
原因分析：查找數據相關性，探尋目標影響因素
預測分析：合理配置資源，預判業務未來的趨勢
2、 常用的數據分析方法種類
描述性分析法（對比/分組/結構/趨勢/交叉…）
相關性分析法（相關/方差/卡方…）
預測性分析法（回歸/時序/決策樹/神經網絡…）
專題性分析法（聚類/關聯/RFM模型/…）
3、 統計分析基礎
統計分析兩大關鍵要素（類別、指標）
統計分析的操作模式（類別à指標）
統計分析三個操作步驟（統計、畫圖、解讀）
透視表的三個組成部分
4、 常用的描述性指標
集中程度：均值、中位數、眾數
離散程度：極差、方差/標準差、IQR
分布形態：偏度、峰度
5、 基本分析方法及其適用場景
對比分析（查看數據差距，發現事物變化）
演練：尋找用戶的地域分布特征
演練：分析產品受歡迎情況及貢獻大小
演練：用數據來探索增量不增收困境的解決方案
分布分析（查看數據分布，探索業務層次）
演練：銀行用戶的消費水平和消費層次分析
演練：客戶年齡分布/收入分布分析
案例：通信運營商的流量套餐劃分合理性的評估
演練：呼叫中心接聽電話效率分析（呼叫中心）
結構分析（查看指標構成，評估結構合理性）
案例：增值業務收入結構分析（通信）
案例：物流費用成本結構分析（物流）
案例：中移動用戶群動態結構分析
演練：財務領域的結構瀑布圖、財務收支的變化瀑布圖
趨勢分析（發現事物隨時間的變化規律）
案例：破解零售店銷售規律
案例：手機銷量的淡旺季分析
案例：微信用戶的活躍時間規律
演練：發現客流量的時間規律
交叉分析（從多個維度的數據指標分析）
演練：用戶性別+地域分布分析
演練：不同客戶的產品偏好分析
演練：不同學歷用戶的套餐偏好分析
演練：銀行用戶的違約影響因素分析
第四部分： 用戶行為分析—分析框架篇
問題：如何才能全面/系統地分析而不遺漏？如何分解和細化業務問題？
1、 業務分析思路和分析框架來源于業務模型
2、 常用的業務模型
外部環境分析：PEST
業務專題分析：5W2H
競品/競爭分析：SWOT、波特五力
營銷市場專題分析：4P/4C等
3、 用戶行為分析（5W2H分析思路和框架）
WHY：原因（用戶需求、產品亮點、競品優劣勢）
WHAT：產品（產品喜好、產品貢獻、產品功能、產品結構）
WHO：客戶（基本特征、消費能力、產品偏好）
WHEN：時間（淡旺季、活躍時間、重購周期）
WHERE：區域/渠道（區域喜好、渠道偏好）
HOW：支付/促銷（支付方式、促銷方式有效性評估等）
HOW MUCH：價格（費用、成本、利潤、收入結構、價格偏好等）
案例討論：結合公司情況，搭建用戶消費習慣的分析框架（5W2H）
4、 數據分析策略
第五部分： 影響因素分析—原因分析篇
營銷問題：哪些因素是影響業務目標的關鍵要素？比如，產品在貨架上的位置是否對銷量有影響？價格和廣告開銷是如何影響銷量的？影響風控的關鍵因素有哪些？如何判斷？
1、 影響因素分析的常見方法
2、 相關分析（衡量兩數據型變量的線性相關性）
相關分析簡介
相關分析的應用場景
相關分析的種類
簡單相關分析
偏相關分析
距離相關分析
相關系數的三種計算公式
Pearson相關系數
Spearman相關系數
Kendall相關系數
相關分析的假設檢驗
相關分析的四個基本步驟
演練：營銷費用會影響銷售額嗎？影響程度如何量化？
演練：哪些因素與汽車銷量有相關性
演練：影響用戶消費水平的因素會有哪些
偏相關分析
偏相關原理：排除不可控因素后的兩變量的相關性
偏相關系數的計算公式
偏相關分析的適用場景
距離相關分析
3、 方差分析（衡量類別變量與數值變量間的相關性）
方差分析的應用場景
方差分析的三個種類
單因素方差分析
多因素方差分析
協方差分析
單因素方差分析的原理
方差分析的四個步驟
解讀方差分析結果的兩個要點
演練：擺放位置與銷量有關嗎
演練：客戶學歷對消費水平的影響分析
演練：廣告和價格是影響終端銷量的關鍵因素嗎
演練：營業員的性別、技能級別對產品銷量有影響嗎
演練：尋找影響產品銷量的關鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結果的解讀
演練：廣告形式、地區對銷量的影響因素分析
協方差分析原理
協方差分析的適用場景
演練：排除產品價格，收入對銷量有影響嗎？
4、 列聯分析/卡方檢驗（兩類別變量的相關性分析）
交叉表與列聯表：計數值與期望值
卡方檢驗的原理
卡方檢驗的幾個計算公式
列聯表分析的適用場景
案例：套餐類型對客戶流失的影響分析
案例：學歷對業務套餐偏好的影響分析
案例：行業/規模對風控的影響分析
5、 相關性分析方法總結
第六部分： 產品銷量預測—回歸預測篇
營銷問題：如何預測未來的產品銷量/銷售額？如果產品跟隨季節性變動，該如何預測？
1、 回歸分析簡介和原理
2、 回歸分析的種類
一元回歸/多元回歸
線性回歸/非線性回歸
3、 常用回歸分析方法
散點圖+趨勢線（一元）
線性回歸工具（多元線性）
規劃求解工具（非線性回歸）
演練：散點圖找營銷費用與銷售額的關系
4、 線性回歸分析的五個步驟
演練：營銷費用、辦公費用與銷售額的關系（線性回歸）
5、 線性回歸方程的解讀技巧
定性描述：正相關/負相關
定量描述：自變量變化導致因變量的變化程度
6、 回歸預測模型評估
質量評估指標：判定系數R^2
如何選擇*回歸模型
演練：如何選擇*的回歸預測模型（一元曲線回歸）
7、 帶分類自變量的回歸預測
演練：汽車季度銷量預測
演練：工齡、性別與終端銷量的關系
演練：如何評估銷售目標與資源*配置
8、 回歸分析的基本原理
三個基本概念：總變差、回歸變差、剩余變差
方程的顯著性檢驗：方程可用性
因素的顯著性檢驗：因素可用性
方程擬合優度檢驗：質量好壞程度
理解標準誤差含義：預測準確性？
9、 回歸模型優化措施：尋找*回歸擬合線
如何處理預測離群值（剔除離群值）
如何剔除不顯著因素（剔除不顯著因素）
如何進行非線性關系檢驗（增加非線性自變量）
如何進行相互作用檢驗（增加相互作用自變量）
如何進行多重共線性檢驗（剔除共線性自變量）
演練：模型優化演示
10、 好模型都是優化出來的
第七部分： 客流預測模型—自定義回歸篇
1、 回歸建模的本質
2、 規劃求解工具簡介
3、 自定義回歸模型
案例：如何對客流量進行建模預測及模型優化
4、 季節性預測模型
回歸季節模型的原理及應用場景
加法季節模型
乘法季節模型
模型解讀
案例：*航空旅客里程的季節性趨勢分析
5、 新產品累計銷量的S曲線
S曲線模型的應用場景（*累計銷量及銷量增長的拐點）
珀爾曲線
龔鉑茲曲線
案例：如何預測產品的銷售增長拐點，以及銷量上限
演練：預測IPad產品的銷量
第八部分： 產品銷量預測—時序預測篇
營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節周期變動時該如何預測？
1、 回歸預測vs時序預測
2、 因素分解思想
3、 時序預測常用模型
趨勢擬合
季節擬合
平均序列擬合
4、 評估預測值的準確度指標：MAD、RMSE、MAPE
5、 移動平均（MA）
應用場景及原理
移動平均種類
一次移動平均
二次移動平均
加權移動平均
移動平均比率法
移動平均關鍵問題
如何選取最優參數N
如何確定最優權重系數
演練：平板電腦銷量預測及評估
演練：快銷產品季節銷量預測及評估
6、 指數平滑（ES）
應用場景及原理
最優平滑系數的選取原則
指數平滑種類
一次指數平滑
二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）
三次指數平滑
演練：煤炭產量預測
演練：航空旅客量預測及評估
7、 溫特斯季節預測模型
適用場景及原理
Holt-Winters加法模型
Holt-Winters乘法模型
演練：汽車銷量預測及評估
8、 平穩序列模型（ARIMA）
序列的平穩性檢驗
平穩序列的擬合模型
AR(p)自回歸模型
MA(q)移動模型
ARMA(p,q)自回歸移動模型
模型的識別與定階
ACF圖/PACF圖
最小信息準則
序列平穩化處理
變量變換
k次差分
d階差分
ARIMA(p,d,q)模型
演練：上海證券交易所綜合指數收益率序列分析
演練：服裝銷售數據季節性趨勢預測分析
平穩序列的建模流程
第九部分： 客戶行為預測—分類預測篇
問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業務？
1、 分類模型概述及其應用場景
2、 常見分類預測模型
3、 邏輯回歸（LR）
邏輯回歸的適用場景
邏輯回歸的模型原理
邏輯回歸分類的幾何意義
邏輯回歸的種類
二項邏輯回歸
多項邏輯回歸
如何解讀邏輯回歸方程
帶分類自變量的邏輯回歸分析
多項邏輯回歸/多分類邏輯回歸
案例：如何評估用戶是否會購買某產品（二項邏輯回歸）
案例：多品牌選擇模型分析（多項邏輯回歸）
4、 分類決策樹（DT）
問題：如何預測客戶行為？如何識別潛在客戶？
風控：如何識別欠貸者的特征，以及預測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？
決策樹分類簡介
案例：*零售商（Target）如何預測少女懷孕
演練：識別銀行欠貨風險，提取欠貸者的特征
決策樹分類的幾何意義
構建決策樹的三個關鍵問題
如何選擇*屬性來構建節點
如何分裂變量
修剪決策樹
選擇最優屬性生長
熵、基尼索引、分類錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
連續變量離散化（最優分割點）
修剪決策樹
剪枝原則
預剪枝與后剪枝
構建決策樹的四個算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優分類模型？
案例：商場用戶的典型特征提取
案例：客戶流失預警與客戶挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
多分類決策樹
案例：不同套餐用戶的典型特征
決策樹模型的保存與應用
5、 人工神經網絡（ANN）
神經網絡概述
神經網絡基本原理
神經網絡的結構
神經網絡分類的幾何意義
神經網絡的建立步驟
神經網絡的關鍵問題
BP反向傳播網絡（MLP）
徑向基網絡（RBF）
案例：評估銀行用戶拖欠貨款的概率
6、 判別分析（DA）
判別分析原理
判別分析種類
Fisher線性判別分析
案例：MBA學生錄取判別分析
案例：上市公司類別評估
7、 最近鄰分類（KNN）
KNN模型的基本原理
KNN分類的幾何意義
K近鄰的關鍵問題
8、 支持向量機（SVM）
SVM基本原理
線性可分問題：*邊界超平面
線性不可分問題：特征空間的轉換
維災難與核函數
9、 貝葉斯分類（NBN）
貝葉斯分類原理
計算類別屬性的條件概率
估計連續屬性的條件概率
預測分類概率（計算概率）
拉普拉斯修正
案例：評估銀行用戶拖欠貨款的概率
第十部分： 市場細分模型—聚類模型篇
問題：我們的客戶有幾類？各類特征是什么？如何實現客戶細分，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？
1、 市場細分的常用方法
有指導細分
無指導細分
2、 聚類分析
如何更好的了解客戶群體和市場細分？
如何識別客戶群體特征？
如何確定客戶要分成多少適當的類別？
聚類方法原理介紹
聚類方法作用及其適用場景
聚類分析的種類
K均值聚類
層次聚類
兩步聚類
K均值聚類（快速聚類）
案例：移動三大品牌細分市場合適嗎？
演練：寶潔公司如何選擇新產品試銷區域？
演練：如何自動評選優秀員工？
演練：中國各省份發達程度分析，讓數據自動聚類
層次聚類（系統聚類）：發現多個類別
R型聚類與Q型聚類的區別
案例：中移動如何實現客戶細分及營銷策略
演練：中國省市經濟發展情況分析（Q型聚類）
演練：裁判評分的標準衡量，避免“黑哨”（R型聚類）
兩步聚類
3、 客戶細分與PCA分析法
PCA主成分分析的原理
PCA分析法的適用場景
演練：利用PCA對汽車客戶群進行細分
演練：如何針對汽車客戶群設計汽車
第十一部分： 客戶價值評估—RFM模型篇
營銷問題：如何評估客戶的價值？不同的價值客戶有何區別對待？
1、 如何評價客戶生命周期的價值
貼現率與留存率
評估客戶的真實價值
使用雙向表衡量屬性敏感度
變化的邊際利潤
案例：評估營銷行為的合理性
2、 RFM模型（客戶價值評估）
RFM模型，更深入了解你的客戶價值
RFM模型與市場策略
RFM模型與活躍度分析
演練：“雙11”淘寶商家如何選擇價值客戶進行促銷
演練：結合響應模型，宜家IKE實現*化營銷利潤
案例：重購用戶特征分析
第十二部分： 產品推薦算法—推薦模型篇
問題：購買A產品的顧客還常常要購買其他什么產品？應該給客戶推薦什么產品最有可能被接受？
1、 從搜索引擎到推薦引擎
2、 常用產品推薦模型及算法
3、 基于流行度的推薦
基于排行榜的推薦，適用于剛注冊的用戶
優化思路：分群推薦
4、 基于內容的推薦CBR
關鍵問題：如何計算物品的相似度
優缺點
優化：Rocchio算法、基于標簽的推薦、基于興趣度的推薦
5、 基于用戶的推薦
關鍵問題：如何對用戶分類/計算用戶的相似度
算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置
6、 協同過濾的推薦
基于用戶的協同過濾
基于物品的協同過濾
冷啟動的問題
案例：計算用戶相似度、計算物品相似度
7、 基于關聯分析的推薦
如何制定套餐，實現交叉/捆綁銷售
案例：啤酒與尿布、颶風與蛋撻
關聯分析模型原理（Association）
關聯規則的兩個關鍵參數
支持度
置信度
關聯分析的適用場景
案例：購物籃分析與產品捆綁銷售/布局優化
案例：通信產品的交叉銷售與產品推薦
8、 基于分類模型的推薦
9、 其它推薦算法
LFM基于隱語義模型
按社交關系
基于時間上下文
10、 多推薦引擎的協同工作
第十三部分： 產品定價策略—最優定價篇
營銷問題：產品如何實現最優定價？套餐價格如何確定？采用哪種定價策略可達到利潤*化？
1、 常見的定價方法
2、 產品定價的理論依據
需求曲線與利潤*化
如何求解最優定價
案例：產品最優定價求解
3、 如何評估需求曲線
價格彈性
曲線方程（線性、乘冪）
4、 如何做產品組合定價
5、 如何做產品捆綁/套餐定價
*收益定價（演進規劃求解）
避免價格反轉的套餐定價
案例：電信公司的寬帶、IPTV、移動電話套餐定價
6、 非線性定價原理
要理解支付意愿曲線
支付意愿曲線與需求曲線的異同
案例：雙重收費如何定價（如會費+按次計費）
7、 階梯定價策略
案例：電力公司如何做階梯定價
8、 數量折扣定價策略
案例：如何通過折扣來實現薄利多銷
9、 定價策略的評估與選擇
案例：零售公司如何選擇最優定價策略
10、 航空公司的收益管理
收益管理介紹
如何確定機票預訂限制
如何確定機票超售數量
如何評估模型的收益
案例：FBN航空公司如何實現收益管理（預訂/超售）
第十四部分： 實戰篇(客戶行為預測)
1、 電信業客戶流失預警與客戶挽留模型
2、 銀行欠貸風險預測模型
結束：課程總結與問題答疑。
大數據營銷實戰培訓
轉載：//citymember.cn/gkk_detail/275106.html
已開課時間(jian)Have start time
- 傅一航
[僅限會員]
大數據營銷內訓
- 數據創造價值——大數據分析 張曉如
- 《精細運營——京東/天貓平 武建偉(wei)
- 《大數據分析與客戶開發》 喻國慶
- 大數據項目解決方案及應用 胡國慶
- 《大數據精益化營銷思維與運 喻國慶
- 能源電力企業數字化轉型探索 李開(kai)東
- 建材門店--微信獲客與運營 武建偉
- 數據驅動價值 ——基于Ex 張曉如
- 大數據提升：用戶體驗提升與 武建偉
- 《銀行--網絡消費行為與網 武建偉
- 企業區塊鏈技術的應用場景與 李璐
- 《流量神器，銷量升級：如何 武建偉